探究人工智能技术在医疗、交通、金融和教育领域的应用和前景
上次我们简单介绍了人工智能(AI)在未来的发展趋势和应用场景，今天我们来探索其在医疗、交通、金融到教育等多个领域的应用：
1.人工智能在医疗领域的应用：
医疗领域是人工智能技术应用最为广泛的领域之一。人工智能技术可以帮助医生更加准确地进行诊断和治疗，提高医疗质量和效率。其中，医学影像诊断是人工智能技术在医疗领域的一个重要应用。利用深度学习等技术，可以对医学影像进行自动分析和诊断，提高诊断准确率和效率。例如，GoogleDeepMind的医学影像诊断系统已经在多个国家的医院进行了试用，并取得了不错的效果。另外，人工智能技术还可以分析病历数据，提供更加精准的治疗方案。例如，IBMWatsonforOncology是一款基于人工智能技术的肿瘤治疗辅助系统，可以根据患者的病历数据和治疗历史，为医生提供个性化的治疗建议。
2.人工智能在自动驾驶领域的应用：
自动驾驶技术是人工智能技术在交通领域的一个重要应用。利用人工智能技术，车辆可以实现自主导航和智能感知，提高交通安全性能和行车效率。例如，谷歌的Waymo自动驾驶汽车已经在美国多个城市进行了测试，并获得了不错的反馈。另外，自动驾驶技术还可以应用于智能交通系统中，实现交通流量的优化和调度。例如，城市交通管理部门可以利用自动驾驶车辆的数据，对城市交通流量进行实时监测和调度，提高交通效率和安全性。
3.人工智能在金融领域的应用：
金融领域是人工智能技术应用的另一个重要领域。人工智能技术可以帮助金融机构实现风险控制和欺诈检测，提高金融安全性和效率。例如，花旗银行的欺诈检测系统可以利用人工智能技术对用户行为进行分析和评估，及时发现和防范欺诈行为。另外，人工智能技术还可以应用于投资决策中，提高投资效率和收益率。例如，BlackRock的Aladdin系统是一款基于人工智能技术的投资管理系统，可以利用大数据分析和机器学习等技术，为投资者提供更加准确的投资建议和决策。
4.人工智能在教育领域的应用：
教育领域也是人工智能技术应用的一个重要领域。人工智能技术可以帮助教师和学生实现个性化教育和智能评估，提高教育效果和学习效率。例如，IBMWatsonEducation的个性化学习平台可以根据学生的学习数据和兴趣爱好，为学生提供个性化的学习方案和教育资源。
总结：总的来说，人工智能技术的应用领域正在不断扩展，未来将会涉及到更多的领域。人工智能技术将成为推动社会进步的重要力量，为人们的生活和工作带来更多的便利和可能。
【深度】周济 牛站奎：人工智能在城市公共安全领域的应用及发展研究
“
随着人工智能技术的成熟以及应用场景的不断丰富，人工智能技术为解决城市公共安全问题提供新思路、新手段。在城市公共安全方面，有效地融合人工智能技术，不仅有利于提高城市管理效率、降低管理成本，而且有利于改善城市公共安全的现状，创造一个更加安全、稳定、和谐的公共生活空间。人工智能在维护城市公共安全方面取得成绩的同时也存在一些安全隐患和弊端，需要政府从全局战略统筹考虑，加强立法与技术创新，积极参与国际交流合作，消除安全隐患，实现治理体系与治理能力的现代化，进一步提升市民的幸福感、获得感。
本文作者系盘古智库执行秘书长周济、盘古智库研究员牛站奎，文章来源于《城市蓝皮书：中国城市发展报告No.13大国治理之城市安全》。
”
公共安全事关国家安危，社会稳定。所谓公共安全，是指社会和公民个人从事和进行正常的生活、工作、学习、娱乐和交往所需要的稳定的外部环境和秩序。城市公共安全作为公共安全的重要组成部分，是一个涉及司法、行政、公安、民政、人社等多方面的系统工程，需要多部门的协同配合。随着我国城市化进程加快，城市人口增加、功能多元化、规模不断扩大，发展方式、产业结构和区域布局发生了深刻变化，城市运行系统日益复杂，安全风险不断增大。 面对日益复杂的社会环境，传统的城市公共安全管理已经难以适应时代发展的要求，不能有效应对新的挑战，解决新的问题。
针对城市公共安全方面出现的一些新特性，大多数情况下，有限的资源、传统的治理手段以及部门协调不畅都会阻碍安全措施的实施和有效覆盖。因此需要更加高效的系统和手段来实现公共安全的资源的有效地分配和调度，以便发挥更大的效能。人工智能为解决这一现实问题提供了很好的解决思路与方案，城市各部门依托大数据与人工智能技术能够实现数据互通有无，流程无缝衔接，极大地提高城市公共安全保障能力。
一、人工智能定义与发展情况
人工智能，英文名称ArtificialIntelligence（简称：AI）。人工智能的诞生可以追溯到20世纪50年代。1950年，英国科学家图灵提出了人工智能的概念，1956年，首届人工智能研讨会在美国新罕布什尔州达特茅斯举行，人工智能开始成为一个技术术语流行起来。科学家把人工智能分为三个不同的时代。第一是弱人工智能(ArtificialNarrowIntelligence)时代，此时计算机只能在某些特定的工作领域超越人类智能；第二是强人工智能(ArtificialGeneralIntelligence)时代，此时计算机和人类智能一样能够通过学习或推理来广泛解决问题；第三是超人工智能(ArtificialSuperIntelligence)时代，此时计算机实现了对人类智能的全面超越，拥有“完美的记忆力和无限的分析能力”。 根据谷歌工程总监、未来学家雷·库茨韦尔(RayKurzweil)的估计，到2029年人工智能就可以实现与人类智商并驾齐驱，2045年，则能够达到超越人类智能的“奇点”(Singularity)。根据人工智能技术的发展水平，目前我们正处于弱人工智能时代。
进入21世纪的第二个十年后，人工智能依赖于大数据、计算机能力（以下简称算力）、深度学习算法等核心要素的突破性发展，开始蓬勃发展。
首先，全球为人工智能的应用积累了海量数据。互联网数据中心（InternetDataCenter，IDC）报告显示，到2025年全球数据总量将达到175ZB。数据的种类包罗万象，包括文本、声音、图像、生物特征、地理位置、天气信息等各种类型的数据。未来，这一数据规模还将不断增大。
其次，人工智能赖以实现的算力得到前所未有的提高。由于传统的CPU设计针对的是逻辑运算与流程控制，对于处理海量数据，算力难以满足实际需要。因此，出现了专门用于处理千亿级、万亿级的海量数据的AI智能芯片，如专门用于并行计算与数据处理的GPU，FPGA和ASIC拥有良好运行能效比，更适合深度学习。这些芯片极大地提高了计算机的算力。
最后，人工智能赖以的算法不断取得突破。深度学习与神经网络等算法的成熟，使人工智能的感知(Perception)、预测(Prediction)、决策(Prescription)等功能开始发挥实用价值。具体来说，这些功能的实现主要依赖于计算机视觉、语音分析、自然语言处理等技术。计算机视觉技术已经成功应用到自动驾驶、机器人、无人机和智能医疗领域，通过人脸识别、活体检测、人证对比为城市公共安全提供新能服务能力；智能语音处理技术广泛应用在智能语音交互、语音控制与生物特征信息验证等领域。例如，公安安防系统中利用智能语音识别技术监控城市舆论与违法信息的散播。自然语言处理技术主要应用在机器翻译、文本分析、舆情监测等。
人工智能关键技术的不断突破和应用场景的深度发掘，直接催生了智慧城市概念的诞生。智慧城市建设已蔚然成风，以至于人工智能技术在城市公共安全方面的应用趋于多样。人工智能技术在城市公共安全的应用主要集中在自动识别、语义分析、智能分析等方面，随着神经网络算法、机器学习等基础算法的不断优化，人工智能技术在城市公共安全方面应用将更加深入全面。
在世界范围内，利用人工智能技术维护城市公共安全已成为共识。在西方发达国家，通过数字化、智能化维护城市公共安全的实践相对较早，处于领先地位。例如，纽约建立的智能警务系统通过人工智能分析情报，直接应用于防止犯罪的决策；伦敦通过人工智能技术引导民众参与公共管理，缓解政府与市民之间的信息不对称问题；新加坡利用人工智能机器人指引居民正确反馈城市问题，让市民直接参与到城市公共安全治理行列中来。
中国业已开始通过人工智能技术构建城市公共安全力量。2017年，国务院发布了《新一代人工智能发展规划》，标志着人工智能技术的发展已经上升到国家战略层面。《新一代人工智能发展规划》中指出，利用人工智能提升公共安全保障能力。其重点主要是围绕社会综合治理、新型犯罪侦查、反恐、智能安防设备升级、食品安全与自然灾害等方面“构建公共安全智能化监测预警与控制体系”。2018年国务院发布《关于推进城市安全发展的意见》，再次强调要加快实现城市安全管理的系统化、智能化。
二、人工智能在城市公共安全领域的发展特点
人工智能在城市公共安全领域的应用，必将带来城市公共安全治理的新变革。虽然现在还处在弱人工智能时代，但在某些特定领域人工智能已经超过人类大脑，随着大数据技术的不断发展完善，利用人工智能在长期追踪、智能分析、趋势预判和城市精准化管理方面的优势，可以全面提升风险态势感知、预测预警、动态管控等方面的能力。 在可见的一段时间内，人工智能在城市公共安全方面的还有巨大的应用空间，借助人工智能技术提高城市治理能力现代化已成为未来趋势。
（一）高成本低效率转向高效率低成本
在城市公共安全治理方面，应用人工智能不仅可以提高治理效率，也可以降低治理成本。首先，人工智能在图像识别、语音分析、信息检索与智能分析等方面要比人工效率高。例如，公安用于追踪嫌疑人的面部识别系统，控制交通流量的智慧交通系统，高铁、机场的智能一体化的“人、证、票”核验系统都大大提高了工作效率。其次，人工智能设备的制造和维护具有低成本趋势。由于“摩尔定律”的存在，在城市公共安全治理方面引入人工智能技术的成本将逐日下降，这是不争的事实。另外，人工智能运行部分依赖的公共基础设施建设是公共事业，如5G网络建设，属于一次性投入，难以用成本衡量。未来，跨部门、跨区域的大规模人工智能平台融合建设也将进一步降低成本。
（二）人工分析转向智能分析
人工智能将逐步替代部分人类的工作。在城市公共安全工作中，对情报和数据的分析主要依赖人工处理，这样不仅需要大量的专业化人才投入，而且工作效率也不高。人工智能的运用从根本上解决这一问题。例如，公安安防系统利用智能机器人可以全天候不间断进行巡逻并能及时识别风险，遇到突发情况也可以实时传送视频信息，提醒警务人员前来处理。除常规活动以外，智慧公安系统还利用机器学习技术协助警务人员进行审讯、预测潜在的犯罪活动，利用生物识别系统搜索追踪嫌疑人员；利用深度学习功能，从海量数据中分析潜在的威胁公共安全的因素。
（三）事后治理转向事前预测
人工智能可以改变维护城市公共安全的工作模式。传统的城市公共安全工作事后应对的现象明显，对一些重大的城市公共安全事件无法做到提前预测。像恐怖袭击和自然灾害等严重威胁城市公共安全的事件，如果能做到事前预测，及早预防应对，则意义重大。人工智能技术的引入可以极大地扭转这种不利局面，运用人工智能技术可以使维护城市公共安全的工作从事后治理转向事前预测。例如在智能化的监控中心，通过数据的实时对比分析，可以有效预测危险事件发生的可能性，及时提醒监控人员做好应对准备，为应对突发事件争取更多的时间。
（四）粗放式治理向精细化、精准化治理转变
城市治理的精细化与精准化是现代城市治理的客观要求，有效的城市治理必将带来稳定的城市公共空间安全。随着城市问题的不断增多，传统的城市治理模式已经无法适应时代的要求，需要从治理模式与治理理念上做出改变。城市治理的标准化、专业化、智能化是趋势，例如，利用人工智能技术打造的智能警务系统可以实现更加精准化打击犯罪。人工智能技术的成熟极大地推动了城市治理从粗放式治理向精细化、精准化治理转变。
（五）局部安全应用向全面安全应用转变
人工智能在城市公共安全领域的局部应用必将转向全面应用。鉴于人工智能应用于城市公共安全的技术、成本和安全等原因，人工智能在城市公共安全方面的应用仍处在积累阶段。局部应用可以在一定程度上保证应用的安全性，但是会形成信息孤岛，既无法真正做到数据共享，也无法真正的发挥数据的价值。随着人工智能边缘计算能力的提高，人工智能将扩展其应用范围，从小规模功能单一的平台向综合性平台发展，最终实现跨平台全覆盖的数据共享与交互。
三、人工智能在城市公共安全领域的应用场景
根据城市公共安全的客观情况，人工智能在城市公共安全方面产生丰富的应用场景。人工智能技术在城市公共安全风险识别、风险分析、风险评价、风险处置等环节日益发挥着重要的作用。随着5G网络的全面覆盖，利用人工智能可以更加快速地对潜在风险进行有效识别并提醒人们去及时处理，把风险扼杀在摇篮里（见表1）。
（一）人工智能在社会综合治理中的应用
实现有效的社会综合治理是一个系统工程，需要系统地协调多个部门。人工智能在城市综合治理中的广泛应用为市民创造一个安定祥和的公共生活空间。目前，在消防、安检、交通等领域都能见到人工智能的身影，这些多是单一应用场景，人工智能的多场景应用仍在探索之中。利用人工智能技术可以实现资源聚集，联通多部门实现数据共享，最终实现多层级、多任务、跨平台的多场景应用人工智能服务平台。
（二）人工智能在新型犯罪侦查中的应用
传统刑侦手段已经不能满足应对新型犯罪的需要，需要借助人工智能技术。与传统犯罪活动相比，新型犯罪活动具有高隐蔽性、高技术性等特性，给案件的侦破带来新的挑战。利用人工智能的图像识别功能、语音识别功能与深度学习功能，可以实现对犯罪线索的持续跟踪与分析。在打击互联网犯罪、金融诈骗和反洗钱等犯罪活动中，人工智能具有明显的优势。
（三）人工智能在反恐领域的应用
恐怖袭击已经成为严重威胁城市公共安全的一大隐患，如何应对恐怖活动对城市公共安全造成的威胁成为一项重要课题。目前在城市反恐中，反恐投入大、消耗多，但效果有限。 随着反恐形势的日益严峻，如何运用科技高效反恐成为各国反恐的核心需求。2007年美国国防部就将人工智能技术作为反恐活动的核心技术之一。近年来，我国也着手把人工智能应用于反恐活动来提高公共安全保障能力。把现代信息技术与反恐维稳工作有机融合，推进大数据、人工智能等新技术的深度应用，不断提高信息化、智能化水平，已经成为有关地区维稳工作的指导原则。 目前，人工智能技术在反恐行动中的应用主要体现在控制恐怖组织信息传播、解读反恐情报、预防恐怖事件等方面。例如，反恐机构通过利用人工智能的图像识别技术跟踪、删除被标记为恐怖组织的信息，有效的遏制了恐怖组织信息传播。
（四）人工智能在能安防设备升级改造中的应用
构建基于人工智能的智能安防体系已成为维护城市公共安全的趋势。构建智能城市安防需要大量的智能安防设备。传统的安防设备技术主要体现在光学器件的分辨率和视频数据的存储上，缺少自动分析数据的功能，多用于事后取证，无法做到事前预测。对人力资源的依赖性比较大，公安警力的调度不能保证最优化。基于人工智能的安防设备可以对采集的海量数据进行深度学习，通过行为模式的比对可以使被动防御转向主动预警，通过提取检测对象的属性，实现对目标的智能化跟踪及排查。另外，公安的智能中心可以接入视频监控系统，通过图像识别等技术可以实时分析图像的运动状态，出现异常可以及时通知值班人员，做到及时出警、及时预防。随着我国平安城市、天网工程、雪亮工程建设的不断推进，人工智能在安防领域必将有更大的用武之地。
（五）人工智能在食品安全中的应用
保障食品安全意义重大。食品安全的保障涉及诸多环节，从食材的生产、包装、运输到最终成为商品都有可能被污染。人工智能参与到食品的生产加工可以在一定程度上减少食品被污染的可能性。例如智能化食品包装车间可以做到全自动挑拣与包装，最大程度降低人为污染的可能性。再如，广州打造的“食用农产品溯源平台”实现食品安全智能监管，可以对食品的流向进行全过程跟踪。全链条标准化、精细化、科学化跟踪管理，将人工巡查转变为在线巡查、智能视频审查，将专项整治转变为全程监管。
（六）人工智能在自然灾害预防中的应用
自然灾害巨大的威慑力与破坏力对人类的影响最为深远。几千年来，人类面对自然灾害束手无策。随着经济社会的发展，人类物质财富极大丰富，自然灾害带来的损失也是巨大的，甚至是无法估计的。所以，人们迫切需要提高在预防自然灾害和减少自然灾害方面的能力。最大限度地减少自然灾害带来的损失取决于两个方面，一是人们对已经发生的灾害进行监测的能力，二是人们对未发生的自然灾害精准预测的能力。随着人工智能在预防自然灾害领域中的普遍应用，人类有了预防自然灾害、躲避自然灾害的能力。人工智能在自然灾害预测与监测方面应用最成熟的案例要数气象预测。对台风、特大暴雨等气象灾害的预测与监测，已经可以做到提前一周的时间，为人们做好防护争取宝贵时间。对于地震的监测要更加困难一些，但也取得一定突破。例如，中国科学技术大学和国家地震局耗时六年研发“智能地动”监测系统，该系统能够快速监测到地震波信号，并在1－2秒内就能报出所有地震震源参数，实现对地震信息的及时通知和预警。相比于传统的人工监测预警来说，其速率提升了近3－5分钟， 提高了人们应对地震的能力。
四、人工智能在城市公共安全领域的前景展望
通过以上分析发现，应用人工智能来维护城市公共安全已成为一种新的趋势，人工智能在提高城市公共安全保障能力方面优势明显。随着人工智能发展依赖的数据规模的不断扩大、算力的不断提高以及算法的优化与突破，应用人工智能技术的成本将大幅降低，届时将带动相关产业的迅速发展。毫无疑问，人工智能在城市公共安全应用方面的前景十分广阔。
然而，应用人工智能技术保障城市公共安全也存在安全隐患。因为，在保障城市公共安全方面引入人工智能的同时，连同人工智能自身的风险隐患也一同引入了。人工智能在城市公共安全应用的广泛性与普遍性成为人工智能安全风险的主要来源。这既有人为造成的风险也有技术缺陷造成的风险。这些风险具有一些新变化、新特点，给社会伦理、城市治理与公众认知都造成一定的冲击与挑战。
（一）人工智能在城市公共安全领域的发展前景
有利于构建全国统一的公共安全保障体系。目前，在保障城市公共安全方面还没有形成统一的格局，人工智能的应用有利于构建全国统一的公共安全保障体系。在传统维护城市公共安全过程中，不同的城市根据自身实际情况采取的维护公共安全的策略和模式也不尽相同，这就为跨区域合作以及中央统一协调指挥造成一定的困难。随着人工智能构建公共安全保障能力上升至国家战略，人工智能技术应用成本降低以及新型数字基础设施的完善，未来形成全国统一的智能化公共安全保障体系的前景十分明朗。
有利于融合多方力量共同维护城市公共安全。从属性的角度来看，城市公共安全归根到底属于公共产品，公共产品严重依赖政府的提供。事实上，政府并没有足够的能力提供全方位的公共安全保障，只能把少量的资源集中在重要领域，如城市反恐、食品安全、自然灾害等领域。城市公共安全的维护需要深入群众，广泛联系群众，但是受制于人力成本和技术手段等条件，群众掌握的讯息不能有效转化成维护城市公共安全的情报。人工智能应用到城市公共安全可以在一定程度上缓解这种局面。比如，通过网格化的管理模式与星罗棋布的智能监控装置，智能巡逻机器人与网络监督机器人，可以有效引导市民以及其他组织参与城市公共安全建设，报告城市安全隐患，及时发现及时解决。所以，人工智能在调动公众力量参与城市公共安全的维护与建设方面有极大的施展空间。
有利于全面拉动并催生新的产业链发展。利用人工智能提升公共安全保障能力已上升为国家战略，出于政策导向的原因，必将拉动相关产业链的发展。维护社会稳定，保障城市公共安全，全面构建安全保障体系需要从软件和硬件两个方面着手。软件层面需要采集海量数据并优化算法，硬件层面需要完善的支持人工智能运转的基础设施和安防设备。中国天网工程与雪亮工程的建设，直接带动并催生了光学仪器、运动传感器等产业的发展，例如海康威视这一龙头企业的崛起。为有效保护人工智能依赖的大数据安全，催生一些专门致力于优化算法和加强数据保护的市场力量，如奇虎360在城市公共安全方面的业务。此外，还带动与人工智能相关的5G、物联网等相关产业快速发展。
（二）人工智能在城市公共安全领域的冲击挑战
人工智能的应用扩大了城市公共安全的风险范围。传统的城市公共安全风险类型与识别标准已基本成型，但是人工智能的应用冲击了传统风险的划分和识别。例如在城市综合治理中，由于智能硬件设备和网络的漏洞，智慧交通与智慧警务系统遭受攻击的可能性增大了。人工智能技术使攻击成本降低，攻击范围扩大，利用网络漏洞进行违法犯罪活动日渐增多，犯罪分子通过技术手段获取公众信息并贩卖牟取利益。这和传统的影响城市公共的风险明显不同。例如，2019年某国内连锁酒店发生用户个人信息数据泄露，成为近5年国内最大最严重的个人信息泄露事件。针对人工智能漏洞的攻击将成为威胁公共安全的典型特征。
人工智能在城市公共安全方面的应用对商业伦理产生新挑战。这种挑战主要来源于两个方面。第一，如果要人工智能在维护城市公共安全的过程中实现预期效果，就要利用各种渠道采集海量的个人信息，这也包括个人的隐私信息。如何采集、利用和保护这些信息以及如何实现政府与民众之间的平衡是社会必须面对的挑战。第二，政府如何规范市场力量正确的使用采集到的个人信息，避免个人信息滥用。数据就是财富，当市场主体面对如此海量的数据时，是否能坚持伦理道德底线，保证公众的合法权益。
人工智能在城市公共安全方面的应用为政府治理带来新挑战。这种挑战主要体现在两个方面。一方面，人工智能发展之快远超人们预期，行业标准还未得到统一。目前，从事人工智能产业相关的公司采用的标准和接口不统一，龙头企业争夺标准制定权的竞争还未结束，也没有全国统一的行业协会管理人工智能技术标准。标准各异的人工智能产品应用到城市公共安全建设中，给政府后期的管理带来挑战。另一方面，在一个城市内部，不同的行政部门在应用人工智能维护城市公共安全采用不同的模式，部门之间无法实现数据共享，数据孤岛、条块分割等问题给政府治理带来挑战。另外，大范围应用人工智能，一旦出现系统漏洞很容易爆发系统性风险。
毫无疑问，人工智能一把双刃剑。由于人工智能技术在落地和场景应用过程中，有一定的不确定性，带来冲击网络安全、社会就业、法律伦理等问题，并对国家政治、经济和社会安全带来诸多风险和挑战。目前，在人工智能安全问题的政策制定上还处于探索阶段，如何在安全可控的基础上利用人工智能已成为产业界、政府必做的功课。
五、人工智能在城市公共安全应用方面的建议
面对日益复杂的国际环境，出于国家安全考虑，利用人工智能技术加强城市公共安全，需要全球视野，从国家战略层面进行系统布局，加强完善相关法律法规、加快技术创新、推动多元建设主体的协同、积极参与国际交流促进人才培养。全面推进人工智能在城市公共安全方面的竞争力，为市民创造一个和谐稳定的公共生活空间。从长远来看，大力发展人工智能在城市公共安全方面的综合应用，有利于实现多部门一体化的社会协同治理。然而，从现实来看，还存在体制机制的设计、法律完善、信息安全、技术创新等一系列问题。这些都需要顶层设计，加强系统思维。
（一）加强顶层制度设计，全面统筹发展
人工智能在城市公共安全领域的应用具有全局性与战略性意义，需要加强顶层设计，全面统筹。人工智能在城市公共安全方面建设主体的多样性以及区域发展不平衡等因素，导致人工智能在城市公共安全方面的应用呈现出发展不均衡、不充分等问题。因此，中央可以率先制定国家级发展规划，明确国家标准和发展底线，鼓励有条件的地区设立综合试验区，允许它们先行先试。例如，像北京、上海、广州、深圳这样的大城市，技术、人才与资金较为充足，在保障城市公共安全方面可以优先引入人工智能技术。不仅如此，国家还要加强人工智能在城市公共安全方面的统筹规划，不断促进各个部委的垂直融合，逐步减少条块分割和数据孤岛，盘活全国一盘棋。
（二）完善法律法规，明确主体责任
人工智能的发展和应用，不仅给社会伦理造成一定的冲击，而且也增加了法律管控的盲区。目前，在借助人工智能技术加强城市公共安全保障的过程中，政府对参与主体的责任边界、政府与市场的关系、数据保存与开发利用等都没有做出统一明确的说明。存在立法规范不统一，法律效力有限等问题。 立法部门要充分探讨人工智能在立法中主体地位的确立；明确数据所有权和使用权，防止相关企业不正当利用数据，谋取私利；明确监管部门和监管权力，加强系统安全监管；明确人工智能系统行为的责任主体，确保可以做到追责和惩处。在利用人工智能技术保障城市公共安全的过程中，这些问题都要在法律上作出明确说明。
（三）明确技术规范，统一市场标准
国家推动人工智能在城市公共安全领域的建设过程中，国家要为企业提供一个公平公正的商业竞争环境。人工智能技术平台的建设要制定国家统一标准、规范，保证数据格式、硬件接口的兼容性，建立人工智能行业协会，管理行业发展，防止强势企业对弱势企业进行技术绑架，防止技术垄断。建立国家级城市公共安全人工智能实验室，检验用于城市公共安全建设的人工智能技术和设备安全性是否符合国家标准。另外，对于参与城市公共安全保障建设的市场主体需要要求其不能采用黑箱技术模式，政府要做到全过程的可监测、可控制。总之，要协调统一政府、科研院所与市场主体的责任关系，明确行业技术标准，实现技术的有效衔接。
（四）保持传统手段与新兴手段互补发展
在维护城市公共安全方面利用人工智能技术固然有许多好处，但是也不能丢弃传统手段的使用。人工智能是一个新兴事物，优点和缺点都很明显。重视人工智能让人们从繁重的工作中解脱出来的优点，同时也要看到其存在算法漏洞、系统漏的潜在隐患。在人们还没有彻底掌握人工智能的特性，不能确保人工智能百分之百安全的情况下，在关键领域与关键环节还要重视传统手段的利用，保持传统的基本安全管理系统建设底线，保证核心环节的安全性。
（五）创新盈利模式，实现可持续发展
利用人工智能技术维护城市公共安全，需要配套基础设施、专业人才的投入，成本较大，政府可以探索新的盈利模式减轻财政压力。提供公共安全是政府基本职责，利用人工智能依然要坚持政府主导、政府使用、政府监管，企业提供技术和服务的传统模式。在政府与市场合作的过程中，政府和市场主体可以探索新的合作模式进行联合创新，政府可以合法合规地使用数据，适当增加收入，分摊公共安全体系建设的投资和运营成本，保障人工智能在城市公共安全方面的可持续发展。
（六）加强基础理论研究，掌握核心技术
未来在人工智能的发展方面，还要加强基础理论研究，尽早掌握核心技术保障国家技术安全。从人工智能的应用层来看，目前我国处在领先地位，但是从基础理论层来看，我国还处在追赶阶段。人工智能不仅是技术竞争力的体现，同时也事关国家公共安全。未来，我国要加强人工智能人才培养，加强基础技术创新，实现自主知识产权，尤其是要在智能芯片与智能算法上取得突破，保证国家信息安全。
（七）加强国际交流，共同应对风险
城市公共安全的维护需要全球共同努力。当今世界，影响城市公共安全的因素已经突破国界，在全球范围内都产生一定的影响。例如，严重影响城市公共安全的恐怖主义活动，全球蔓延的流行疾病与自然灾害，都不是靠某个国家一己之力能够克服的，需要全球多个国家共同努力。为此，要积极吸收全球维护城市公共安全的先进经验，为维护城市公共安全而携手共进。
总之，若使人工智能技术在城市公共安全应用方面充分发挥其潜能，需要“软硬兼施”，即注重“制度”建设的同时也要注重“基础设施”的完善。在这轮的“新基建”的浪潮中，要抓住机遇完善人工智能基础设施，补齐短板，为城市公共安全建立铜墙铁壁。■
文章来源于《城市蓝皮书：中国城市发展报告No.13大国治理之城市安全》
2023年人工智能在银行业的应用
人工智能正在彻底改变各个领域，银行业也不例外。研究表明，2020年全球人工智能市场规模为623.5亿美元，预计2021年至2028年将以40.2%的复合年增长率增长。像银行和金融这样大规模的市场不太可能赶上人工智能这样广泛和革命性的趋势。事实上，甚至在新冠疫情开启技术革命时代之前，银行业就已经开始将人工智能用于前台和后台任务。那么，银行使用人工智能的好处是什么以及有多少好处?2022年的市场发展如何?专家认为什么在未来几年里会成为现实?以下将寻求这些问题的答案。银行业中的人工智能：按数字计算在进一步讨论之前，先了解一下这些数字对人工智能在银行业的使用有什么影响。麦肯锡公司的一份报告表明，通过使用人工智能，银行业可以额外获得1万亿美元的价值。随着人工智能的应用，到2023年，预计银行业可节省4470亿美元。其中，节省的4160亿美元将来自前台和中台使用的人工智能。在一项针对金融调查专业人士的OpenText调查中，高达80%的银行表示，他们非常了解人工智能的潜在好处。75%的资产超过1000亿美元的银行已经开始实施人工智能战略。对于资产低于1000亿美元的银行，这一比例为46%。美国国家商业研究院和NarrativeScience在2020年进行的一项研究得出结论，32%的银行已经开始利用预测分析和语音识别等人工智能技术在市场上获得竞争优势。人工智能在银行业的好处这些数字清楚地表明，人工智能在银行业中越来越受欢迎。银行业对人工智能的痴迷不仅仅是因为人工智能是流行的技术。人工智能在银行业的主要好处包括：更好的服务响应消除人为错误和偏见更大的个性化范围提高客户信任度和满意度促进家庭银行的概念落地由于这些好处，利益相关者正在探索和试验更多创新的方法，让银行更好地利用人工智能、大数据和机器学习。人工智能在银行业的主要应用一般来说，人工智能具有潜在的无限用例。乐观的预测者梦想有一天人工智能将完全接管银行业，银行系统将由这些智能机器运行。虽然这是一个遥不可及的梦想，但人们可以在2022年看到人工智能在银行业的5种应用。(1)人工智能网络安全防范金融欺诈2020年，银行业报告了29万多个网络安全问题。这使得银行不仅要采取应对措施，还要采取积极主动的措施。他们需要将网络安全漏洞扼杀在萌芽状态，并保护员工和客户免受金融欺诈，而人工智能正在帮助实现这一目标。丹麦银行(Danskebank)采用人工智能算法取代了其原有的基于规则的欺诈检测系统。深度学习工具现在帮助银行将金融欺诈风险降低了50%。该解决方案还将误报率降低了60%。此外，亚马逊公司最近还收购了一家人工智能网络安全初创厂商Harvest.AI公司。这进一步验证了在网络安全和金融欺诈预防中使用人工智能具有巨大潜力的事实。(2)用于无缝客户交互的人工智能聊天机器人聊天机器人是人工智能最常用的应用之一，不仅在银行业，而且在各个领域都是如此。一旦部署，人工智能聊天机器人可以全天候为客户服务。事实上，在几项调查和市场研究中，已经发现人们实际上更喜欢与机器人而不是人类互动。这可以归因于人工智能聊天机器人使用自然语言处理。采用自然语言处理，人工智能聊天机器人能够更好地理解用户查询，并以一种看似人性化的方式进行交流。在美国银行采用的虚拟助理Erica就是人工智能聊天机器人在银行业中应用的一个例子。Erica在2019年处理了5000万个客户请求，可以处理包括信用卡安全更新和信用卡债务减免在内的请求。(3)提高客户保留率的个性化银行业务如今，精通数字技术的银行客户需要的不仅仅是传统银行所能提供的服务。借助人工智能，银行可以提供客户寻求的个性化解决方案。埃森哲公司的一项调查表明，54%的银行客户希望使用自动化工具来帮助监控预算，并提出实时支出调整建议。人工智能可以使这一切成为可能。人们现在可能会想，客户是否愿意接受机器人的建议?44%的受访者表示，他们“非常愿意”接受计算机生成的建议。因此，目前银行业中的这种人工智能用例是可行的，并且接受度很高。在加拿大道明银行集团可以看到人工智能驱动的个性化银行的实际应用。他们已经公开了将Kasisto公司的人工智能技术集成到他们的移动应用程序中的计划。该解决方案将为客户提供实时支持，并深入了解他们的消费模式。(4)利用人工智能做出透明的贷款和信贷决策大多数银行仍然依靠信用评分、信用记录和参考资料来确定潜在客户的信誉。这个过程不仅费时费力，而且不透明。通过使用人工智能做出贷款和信贷决策，银行可以减少人工操作，并提高透明度。此外，借助人工智能解决方案提供的数据支持的洞察力，银行可以减少损失，并做出更有利可图的决策。虽然在银行业使用人工智能进行此类决策的例子并不多，但一些银行现在正在使用人工智能来查找有关信用记录有限的人员的信用报告。此外，此类系统可以提醒银行有关其客户可能存在风险的消费行为和模式。(5)人工智能确保道德框架道德考量在各个领域变得越来越普遍，尤其是在金融领域。这是因为客户希望更加了解银行如何使用他们的数据。人工智能可以极大地帮助银行制定数据处理的道德框架，并建立客户信任。汇丰银行可以被视为这一领域的市场领导者。汇丰银行是第一家创建人工智能和数据道德原则的金融服务公司。他们还与新加坡金融管理局和艾伦·图灵研究所合作，为银行业在道德上采用人工智能制定了一个框架。2022年需要应对的挑战虽然人工智能在银行业的好处和用例很多，但其在前进的道路并非没有挑战。困扰银行业人工智能领域的主要挑战包括：(1)全球二三线城市的客户和员工都不愿意采用人工智能增强的方法，因此需要克服最初反对摆脱传统做法的惯性。(2)客户希望银行提供的服务与银行实施的解决方案之间似乎存在脱节。需要适当的数据和营销理解来弥合这一差距。(3)监管要求和合规压力被证明是银行采用人工智能的限制因素。例如，网上银行和在线交易属于隐私监管范围，因此合规性成为必然。(4)银行业的劳动力还不具备使用先进人工智能工具和软件的技能。银行需要采取提高技能的措施。如今可以得出结论，人工智能在银行业的未来看起来很有希望，2022年可能是一个转折点，很多银行将一些实验性的努力转化为可以产生切实成果的东西。人工智能在无人驾驶中的应用
引用自：人工智能在自动驾驶领域的应用及启示吴琦，于海靖，谢勇，刘贝
1引言 人们越来越期望通过无人系统代替人类进行一些活动。小到帮助人们自动清扫地面的扫地机器人，大到协助有人机进行战场态势感知协同作战的无人机，无人系统已经渗透到人类活动的方方面面。无人车作为其中之一，其市场需求非常广泛，从战场作战、港口货运到乘用车驾驶林林总总。近年来随着需求的推动，自动驾驶汽车领域取得很多技术突破，同时吸引更多投资以及科技力量的投入其中，使其成为一个朝气蓬勃的新兴技术领域［1-3］。
自动驾驶是通过自动驾驶系统，部分或完全的代替人类驾驶员，安全地驾驶汽车。汽车自动驾驶系统是一个涵盖了多个功能模块和多种技术的复杂软硬件结合的系统。在机器学习、大数据和人工智能技术大规模崛起之前，自动驾驶系统和其他的机器人系统类似，整体解决方案基本依赖于传统的优化技术。随着人工智能和机器学习在计算机视觉、自然语言处理以及智能决策领域获得重大突破，学术和工业界也逐步开始在无人车系统的各个模块中进行基于人工智能和机器学习的探索［4-6］，目前已取得部分成果。而自动驾驶系统作为代替人类驾驶的解决方案，其设计思路和解决方法背后都蕴含了很多对人类驾驶习惯和行为的理解。现在，自动驾驶已经成为人工智能最具前景的应用之一。
2自动驾驶硬件系统架构 自动驾驶系统一般是在传统汽车上进行加装来构建整个系统。下面引用通用汽车公司的Cruise自动驾驶汽车的硬件系统架构［7］（图1）进行介绍，其他公司方案类似［8-9］。从图1中可以清晰地看出，自动驾驶硬件系统主要包含五部分：感知模块、自动驾驶计算机、供电模块、信号通信模块、执行和制动模块。
2.1感知模块 无人车的感知模块非常完备，是传统车辆所没有的。这部分主要代替有人驾驶汽车的驾驶员的眼睛和“车感”。通常由摄像头、激光雷达、毫米波雷达和GNSS/IMU组成。
摄像头主要用于获取图像信息，用于识别行人、车、树、红绿灯、信号牌，进行定位等。
激光雷达用于获取激光扫描反射数据，用于识别行人、车、树等障碍物，进行定位等。其三维测距原理是通过测量激光信号的时间差、相位差确定距离，通过水平旋转扫描测角度，并根据这两个数据建立二维的极坐标系，再通过获取不同俯仰角度的信号获得第三维的高度信息。图2为激光获取的数据信息经过识别分类标注不同颜色处理后得到的图。
毫米波雷达获取反射数据，主要用于识别障碍物，测距，在传统汽车上安装用于辅助避障。GNSS/IMU组合用于实时获取全局位置信息。在感知模块中，最重要的当属激光雷达，因为它精度高，可靠性高，满足了自动驾驶高精度定位、识别等功能，可以说直接加速了自动驾驶技术的工程应用。
2.2自动驾驶计算机 自动驾驶计算机顾名思义是进行自动驾驶相关的计算处理，一般主要包含五部分：CPU、GPU、超大内存、超大硬盘存储空间和丰富的硬件接口。
其中，CPU根据其性能特点用于处理含有逻辑判断、流程等控制、规划功能软件；GPU根据其性能特点用于获取传感器数据，进行大量同类型数据计算，例如识别、分类处理，执行感知、定位功能软件；超大内存用于大量数据处理、加载高精度地图；超大硬盘存储空间用于存储高精度地图；丰富的硬件接口，例如串口、CAN、以太网、USB等，用于多种传感器连接。
2.3执行与制动模块 执行与制动系统也在随着自动驾驶技术向前发展。执行系统接收自动驾驶控制模块操作车辆的执行指令，控制车辆动力（油门和档位）、底盘（转向和制动）和电子电器等系统的执行，实现自动驾驶的速度和方向控制。而传统的汽车底盘制动系统是液压、气压制动，为了实现车身结构的稳定并将智能驾驶功能延伸，线控制动将是汽车制动技术的长期发展趋势，线控制动可以深度融合智能驾驶功能模块。这类似于航空领域飞行操纵系统由液压逐步转换为电传操纵系统的过程。
3自动驾驶软件系统架构 如果说自动驾驶硬件系统是在传统车辆上进行了加装升级，那么软件系统可谓是全新的。自动驾驶软件按功能主要分四个模块：定位、感知、规划、控制。其中定位模块被普遍认为是基础，各模块包含内容见图3。
其中，定位解算离不开高精度地图的辅助，基于定位信息可以开展环境感知、路径规划驾驶行为决策以及汽车运动控制等内容，而路径规划、行为决策以及运动控制又是三个逐渐具体化、底层化的问题，前一个输出可以作为后一个的输入条件来使用。也就是说控制模块可以将决策规划的动作作为输入，计算应该执行的转弯角和油门。
4定位与感知4.1定位 为满足汽车驾驶需求，目前自动驾驶定位精度需求为10cm左右，如此高精度的定位系统采用的定位方案一般是多传感器以及高精度地图融合的方式，具体为GNSS、IMU、激光雷达、相机、高精度地图融合。其中卫星导航系统（GlobalNavigationSatelliteSystem，GNSS）主要提供粗略的绝对位置（经纬度），然后根据采集自身所在环境的激光雷达数据和相机数据与高精度地图匹配得到更精确的定位。IMU（InertialMeasurementUnit）惯性器件提供状态估计算法中状态方程（预测）中的加速度、角速度。
百度无人车团队［10］采用的定位方案框图见图4。这是目前比较常见且有效的定位算法架构。定位算法的精妙之处在于，一些微小的处理与改变也能引起较大的精度差距。所以，不断有学者在定位算法上深耕突破。
4.2高精度地图 在定位方案中，高精度地图起了举足轻重的作用［11］。高精度地图（HDMap）是通过高精度激光雷达、相机、GNSS等传感器获取道路信息数据。传感器数量越多、信息覆盖越全面、精度越高，高精度地图就越精确。在自动驾驶使用时，可将其表示为计算机语言的形式存储在自动驾驶计算机的硬盘当中。驾驶过程中通过实时与高精度地图比对来获得高精度定位。
高精度地图需事先建立，一辆建立高精度地图外业车造价高达800万人民币，多数开销在传感器系统上。由于采集的数据庞大，必须通过人工智能算法进行数据处理。高精度地图主要包含：车道经纬度、车道宽、曲率、高程；车道交叉口位置、宽度、曲率、道口数；标牌位置以及含义；信号灯位置等。高精度地图的建立过程中存在大量的分类问题，计算机视觉领域采用卷积神经网络（ConvolutionNeuralNetwork，CNN）使问题得到很好的解决。
卷积神经网络由一个或多个卷积层和全连接层（对应经典的神经网络，可有可无）组成，卷积层执行的计算包含卷积操作和池化操作。卷积计算是通过不同窗口数据和滤波矩阵（一组固定的权重）做内积（逐个元素相乘再求和）的操作得到卷积后的数据；池化计算将数据分块，每块找最大或求平均作为数据块的代表值。具体操作示意图见图6。
卷积神经网络算法还有一个特点是权值共享，对于一幅图片上每个点，在某一层的卷积操作权值是相同的，卷积神经网络训练的参数转化为训练滤波矩阵（卷积核），参数大大减少。卷积神经网络就是通过多个卷积层得到不同方向上的几何信息特征，通过提取这些特征，得到输入数据的相关性，通过考虑这些相关性减少训练复杂度，该方法在图像和语音处理上具有很好的应用。
4.3感知在线进行环境感知的方法类似高精度地图的构建过程，对采集的数据进行在线实时识别、分类，区别在于输入数据是动态的，具有新的挑战。
5规划与控制5.1规划规划问题是根据感知的动态环境与对运动体的预测情况进行运动序列决策［12］。这个决策问题在复杂环境下非常复杂，可以设想通过一个极其复杂的路口对规划问题的考验，是体现自动驾驶智能程度的关键问题。传统A*、Dijkstra等路径规划算法可实现车辆保守的驾驶，但复杂动态环境不适用，时间复杂度高，而强化学习是解决序列决策问题的好方法，目前在解决自动驾驶规划问题上有很好的仿真验证。
强化学习是与监督学习、无监督学习平级的机器学习的一个分支，来源于动物学习心理学，最早可追溯到巴普洛夫的条件反射试验，通过反馈获得成效的评价来不断提高学习效果。
强化学习问题的基本结构是交互［13］，一个智能体处于一个环境中，在每一个时间，智能体做出一个动作（a），然后从环境中获得观测量（状态量s）以及回报（收益r），强化学习的学习目标是：如何在未知环境中采取一系列行为，来最大化智能体收到的（总）累积回报（收益）。这个交互过程在一个时间段内状态、动作、回报的迭代关系如图7所示。强化学习具有以下特点：本质上是闭环系统，输入和输出相互依赖；反馈是延时的，不是即时的，一个动作的影响可能几步之后才会体现；没有直接的指导告诉该怎么做，只有回报函数；时间很关键，观测量、回报等是关于时间的序列，不满足独立同分布假设；智能体的动作直接影响到它之后收到的数据。
基于以上特点，假设环境状态的集合是S，动作集合是A，强化学习有四个要素：
策略（π）：从环境状态到动作的映射学习，这个映射叫做策略，记为π：S→A。回报（R）：*由状态和动作产生的影响的量化表示，记作R：S×A→R。价值函数：由未来h步回报组成，最大化价值函数的策略π成为强化学习目标。模型：模型已知（白箱）：系统转移到下一步状态S’的概率G已知，动作a产生的回报r已知；模型未知（黑箱）：系统转移到下一步状态S’的概率P未知，动作a产生的回报r未知，大部分场景模型都是未知的。强化学习理论比较深奥，入门门槛较高。强化学习解决问题实施方法是离线训练学习（试错）+在线推断决策。由于神经网络擅长人类很容易完成但是很难去给出规范（解析）的描述，所以在机器学习领域广泛使用，将学习到的策略用神经网络作为函数近似器（神经网络可以认为是一种非线性拟合）的强化学习方法，称为深度强化学习［14-15］。深度强化学习被认为是走向通用人工智能的必经之路［16］。目前，采用深度强化学习解决自动驾驶的路径规划问题的理论研究和仿真试验表明其卓有成效［17］。
5.2控制 控制的任务是消化上层动作规划模块的输出轨迹点，通过一系列动力学计算转换成对车辆油门、刹车以及方向盘控制信号，从而尽可能地控制车去实际执行这些轨迹点。该问题一般转化为找到满足车辆动态姿态限制的方向盘转角控制（车辆横向控制），和行驶速度控制（车辆纵向控制）。对这些状态量的控制可以使用经典的PID控制算法，但其对模型依赖性较强，误差较大。智能控制算法，如模糊控制、神经网络控制等，在无人车控制中也得到广泛研究和应用。其中，神经网络控制利用神经网络，把控制问题看成模式识别问题，被识别的模式映射成“行为”信号的“变化”信号。甚至可以用驾驶员操纵过程的数据训练控制器获取控制算法。
参考文献［1］陈晓博.发展自动驾驶汽车的挑战和前景展望［J］.综合运输，2016（11）：9-13.［2］余阿东，陈睿炜.汽车自动驾驶技术研究［J］.汽车实用技术，2017（2）：124-125.［3］朱敏慧.逐步实现自动驾驶5个层级［J］.汽车与配件，2016（11）：4.［4］高洪波，张新钰，张天雷，等.基于云模型的智能驾驶车辆变粒度测评研究［J］.电子学报，2016，44（2）：365-373.［5］郭旭.人工智能视角下的无人驾驶技术分析与展望［J］.电子世界，2017（20）：64-65.［6］王科俊，赵彦东，邢向磊.深度学习在无人驾驶汽车领域应用的研究进展［J］.智能系统学报，2018，13（1）：55-69.［7］2018Self-drivingsafetyreport［R］.GeneralMotorsCooperation，February2018.［8］Ontheroadtofullyself-driving-modelingthefuturechallenge［R］.WaymoSafetyReport，October2017.［9］Apollopilotsafetyreport2018［R］.July，2018.［10］WanG，YangX，CaiR，etal.Robustandprecisevehiclelocalizationbasedonmulti-sensorfusionindiversecityscenes［C］.2018IEEEInternationalConferenceonRoboticsandAutomation（ICRA），Brisbane，QLD，2018.［11］SeifHG，胡晓龙.智能城市中自动驾驶汽车工业的关键挑战:高清地图［J］.Engineering，2016（02）:27-35.［12］薛建儒，李庚欣.无人车的场景理解与自主运动［J］.无人系统技术，2018,1（2）:24-33.［13］LillicrapTP，HuntJJ，PritzelA，etal.Continuouscontrolwithdeepreinforcementlearning［J］.ComputerScience，2015，8（6）:A187.［14］VanHH，GuezA，SilverD.Deepreinforcementlearningwithdoubleq-learning［J］.ComputerScience，2015.［15］刘全，翟建伟，章宗长，等.深度强化学习综述［J］.计算机学报，2018，41（1）：1-27.［16］赵冬斌，邵坤，朱圆恒，等.深度强化学习综述：兼论计算机围棋的发展［J］.控制理论与应用，2016，33（6）：701-717.［17］ScottP，HansA，XinxinD，etal.Perception，planning，control，andcoordinationforautonomousvehicles［J］.Machines，2017，5（1）.
人工智能在证券投资交易领域的应用研究
常韬
摘要进入21世纪以来，人工智能在工业、金融、生物医药、科技研究等领域的应用越来越广泛和深入，特别在证券投资交易中获得了重大进步。目前证券分析师和交易员都难以预测证券的行情趋势，而且容易受到情绪影响，越来越多的公司开始使用人工智能来帮助投资决策。本文基于人工智能技术在国内外证券投资领域的应用状况，分析了人工智能在预测证券价格变化方面的理论基础和技术优势，提出了使用强化学习和智能体来预测证券市场的价格趋势，得出了强化学习在预测证券价格方面优于传统方法的结论;同时讨论了人工智能交易系统的风险和应对策略;最后对人工智能交易系统的研究给出了建议。
关键词人工智能强化学习神经网络自动交易证券投资
中图分类号：TP18;F830文献标识码：A文章编号：1007-0745（2021）09-0037-03
1前言
近年来计算机和互联网技术快速发展，深刻地影响和改变了人类社会生产和生活的各个方面。人工智能是计算机领域的技术至高点，很早以前人类就梦想着有一天可以制造出能模拟甚至超过人类大脑的机器，来帮助人类解决遇到的难题，无数科学家和工程师为了这个目标而不懈努力，随着机器学习和人工神经网络技术的快速发展，这个目标已经初步实现，特别在证券投资领域已经开始了越来越广泛的应用。人工智能是基于现代计算机系统硬件和软件模拟人的认知和推理机制，利用数学理论和方法获取外界信息，对信息进行自主处理和决策并输出问题答案的技术。人工智能综合了计算机科学、应用数学、哲学和生物学，是人类工业文明和科技工程文明发展过程中为解决复杂问题而发展出来的技术结晶。证券市场具有影响因素多、数据变化迅速、信息不完全等特点，传统的技术指标和数据分析难以预测价格变化。而人工智能技术中的深度学习和强化学习能够对复杂无规律数据进行自动学习和自适应优化。早在上世纪80年代美林证券就开始研究量化交易，2014年创立的人工智能分析处理引擎Kensho开始逐步取代金融分析师，标志着人工智能具备分析预测证券市场的能力。
2人工智能交易系统的优点与强化学习的运用
人工智能交易系统的主要功能是利用深度学习和强化学习等计算机技术对大量的历史交易数据进行训练建模，通过特定算法发现隐藏的知识和规律，得到一个能在一定程度上预测未来交易行情的模型。人工智能技术主要包括神经网络、遗传算法、模糊算法等。人工智能交易系统能够自动对资金在各个股票上进行分配，控制风险和收益，由于投资证券的目标中既要获取最大收益又要尽量减少风险，而收益与风险是一个相互矛盾的关系，为了在能承受的风险下获取最大收益，可以使用夏普公式来描述：
其中Rp表示投资组合的预期年化收益率，Rf表示年化无风险利率，σp表示投资组合年化收益率的标准差。夏普比率没有区分波动的好坏，索提诺比率在夏普比率的基础上做了改进，在计算波动率时采用下行的标准差，因为上涨的波动不是风险。索提诺比率公式如下：
其中Rp表示投资组合的预期年化收益率，Rf表示年化无风险利率，σt表示投资组合年化收益率下跌的标准差。
2.1人工智能交易系统的优势
最近10多年来中国股市经历多次起伏，跌多涨少，据媒体统计90%的散户亏损，能赢利的少之又少。因为人容易受到情绪的影响，患得患失，追涨杀跌，不但无法制定良好的策略而且很难严格执行自己的交易策略，因此非常需要一种执行力强的机器智能来帮助设计和执行交易策略。随着人工智能技术的快速发展，2016年3月谷歌阿尔法狗以4：1的比分战胜围棋大师李世石，加速了人工智能技术在各行各业的应用和推广[1]。目前人工智能已经广泛应用于美国华尔街，2016年高盛已经把600多个交易员减少到个位数，这充分说明人工智能开始主导证券交易。
人工智能颠覆了传统的交易模式，完全自动化的选股，根据自主交易策略，全自动交易，当符合入场条件时自动买入，当股票价格高估时自动卖出，自动实现止盈止损和仓位管理，还能利用各种技术指标和参数进行自动分析和决策，能够以毫秒的时间间隔进行高频交易。人工智能系统能够从历史交易数据中进行自主学习，利用学会的知识和数学理论对证券投资过程中的信息不完全问题进行判断决策，得出风险可控前提下收益最大的证券投资组合，并且在交易过程实践中不断的学习和试错，修改系统本身的参数和权重，达到交易系统神经网络的最优化状态。Abe使用从1990年到2016年的MSCI指数中的319只成分股的月度数据，分别使用深度神经网络，随机森林和支持向量机预测下一个月的收益率，结果表明深度神经网络预测准确率最高[2]。人工智能神经网络还能够对证券类型进行自主聚类和证券特征的抽取，通过随机搜索算法像生物进化一样寻找出最适应当前证券市场的决策算法，这样就避免了传统数值算法包括牛顿法和共扼算法容易导致的局部最优的问题。
2.2人工智能交易系统依赖的证券理论
1952年，马科维茨首次提出了马科维茨理论，在给定风险条件下，通过不同比例分配資金投资多种证券得到最大可能收益的投资方法。从20世纪30年代以来，金融数学得到不断的发展，数学家们不断研究寻找各种证券资产的定价模型，其中比较著名的有布莱克-斯科尔斯期权定价公式，该方法已经成为金融机构设计新的金融产品的重要研究方法。斯蒂芬罗斯的套利理论和美国学者威廉夏普的资本资产定价理论也为人工智能交易系统奠定了坚实基础。爱德华索普出版的《战胜市场》，标志着量化交易的开始，利用计算机算法和程序从证券市场的历史记录中寻找能得到最大收益的多种大概率技术指标，减少人类情绪和贪念带来的影响，从而发挥计算机程序算法的优势作出最理性的决策。人工智能交易技术就是在量化交易的基础上结合最新的计算机深度学习和神经网络技术发展而来的。
人工智能是否能够在一定程序上预测证券市场的价格变化，需要对证券价格变化理论进行研究。目前关于证券交易市场涨跌原理的主要理论有以下几种：随机漫步理论，现代资产组合理论，有效市场假说，行为金融学理论。
以上4个证券交易市场涨跌理论都从各自的立场对市场价格变化作出了一定程序的解释，但都存在比较明显的缺陷，无法完全解释真实世界的证券价格变化原因。于是学者安德鲁（AndrewLo）提出了适应性市场假说（adaptivemarketshypothesis简称AMH），试图协调有效市场假说和行为经济学之间的矛盾，比以往理论能更好地解释市场价格变化;该理论首次将生物进化原理应用到证券市场，认为市场中的每个个体和组织基于赢利进行决策，个体既会学习和适应环境，同时也会出错，市场中存在竞争，竞争导致适应市场变化的个体能够生存和发展，而不能适应市场环境，亏损的个体被逐渐淘汰，形成一种个体不断适应市场环境的动态变化过程。适应性市场假说理论比以往理论更好地解释了证券市场价格变化的原因，也为把人工智能技术应用到证券投资领域提供了一定的理论依据。
2.3强化学习与智能体
根据AMH理论，证券市场中的个人投资者、基金、机构投资者、投资公司都是以赢利作为唯一目标，在市场中寻找投资机会，这些参与者的理性是有限的，有时会出现错误，同时又在不断地学习和适应市场的变化，通过对市场环境的感知作出买卖或观望的决策，市场会给予判断正确的参与者一定的奖励（Reward），同时通过亏损来惩罚判断错误的参与者，从而影响市场价格的不断变化。通过上述分析很容易联想到使用人工智能中的强化学习来模拟市场中的参与者的适应过程。强化学习的原理是：如果智能体（Agent）的一个行为导致环境的奖励，随后智能体产生这个行为的趋势就会增加;相反如果智能体的一个行为没有奖励或者受到惩罚，那么产生这个行为的趋势就会减少;智能体能够合作和竞争学习[3];强化学习就的目标是学习到一个能够得到环境最大奖励的行为策略。
桥水基金创始人在《原则》中提出“投资是一个不断反复的过程，下注有时会失败，学习新知识并重新尝试，在这个过程中可以通过反复试验来改进自己的决策”。这种方法非常适合使用人工智能的强化学习来模拟。证券市场本质上是一个通过连续决策寻找赢利的过程，交易策略可以抽象成一个强化学习中的智能体，智能体可以根据当前证券市场的信息和状态，生成一个交易的指令，然后发送到执行程序进行执行操作，经过一段时间后，系统会根据当前的市场价格计算每个交易的赢亏，从而生成一个奖励或惩罚值。智能体会根据每个策略得到的奖励值调整自身的行为，以使自身获得更多的奖励值。由于智能体决策包含选择什么证券，何时买卖以及使用多少金额，这些变量的组合会非常巨大，因此需要生成多个智能体并进行训练，一般当训练超过百万次时，智能体达到相对稳定的状态，经常亏损的智能体将被淘汰，经常赢利的智能体已经学会了如何适应市场并做出正确的交易策略。这个赢利最多、生存最久的智能体就是人功智能交易系统所需要的智能体，但是市场是瞬息万变的，当前的最优策略，并不代表未来的最优策略，所以稳定的智能体仍然需要不断地學习和适应动态的证券市场。
2.4强化学习的奖励函数
如何设计一个合适的奖励函数是增加智能体决策能力的关键，奖励函数实质上就是一个目标函数，智能体使用奖励函数来判断自己是否正在向正确的方向进化。有两种设计奖励函数的方法：第一种是监督式的学习，对智能体的买入价格、仓位控制、卖出价格等进行打分，表现好的打高分，表现不好的打低分。理论上可以监视训练过程，为每一个操作打分进行奖励，但是这种方法工作量极大，无法大规模使用，而且人类也难以判断影响证券市场的因素;第二种方法是强化学习，能够自动尝试各种操作，不断调整参数，进行数百万次的迭代，以找到获得最大奖励逼近目标的最有效方法。Moody提出的RRL算法就是一种在线的强化学习模式，能够找到随机动态规划问题的近似解[4]。RRL算法的预测模型公式如下：
其中Ft代表在t时刻的操作（买或卖），向量w是神经网络的权重，变量v是阈值，rt代表收益率，rt=ln（pt）-ln（pt-1），用对数收益率比价格差值更能体现变动。此预测模型在预测证券市场的价格变化方面优于以往的模型。
3人工智能交易系统的组成与应用安全
3.1人工智能交易系统组成结构
在实际运用中人工智能交易系统一般包括以下几个部分，用户需求接口模块，证券市场综合信息处理模块，交易执行模块，投资结果分析和报表模块，和最重要的交易决策模块。国外的研究表明，人工智能交易系统在预测股票市场价格的变化趋势方面已经超过了普通的证券分析师，华尔街的许多投行已经大规模运用人工智能系统进行证券投资，取得了非常不错的成绩。
3.2人工智能交易系统的安全性
为了加强人工智能交易系统的安全性和可靠性，防止资金和机密数据被黑客篡改，可以使用目前最安全可靠的区块链技术，充分利用区块链分布式系统的安全性和不可篡改性，把交易数据和重要信息存入区块链系统中，通过各个节点运行的一套公开透明的区块链算法来保障存入数据的安全，使得证券交易网络中各个参与实体能够相互信任，对所发出和接收的信息无法否认和修改，任何单个节点企图对数据的修改都是无效的，从而完全保障人工智能交易系统的数据安全性，为人工智能自主决策和交易提供信息安全上的保障。
为了保证人工智能交易系统的安全性，防止非授权的修改和数据泄露，企业级的人工智能交易系统必须符合3A的安全性标准，包括授权（Uthorization），验证（Authentieation）和审核（Auditing）。任何用户要想进入人工智能交易系统，必须经过严格注册许可的用户名和密码，密码必须保证一定的长度和复杂性，同时定期强制更新，防止被破解和撞库攻击;同时设置一个每天最大的登录失败次数;用户登录后还只能有普通的查询和访问权限，如果要访问机密信息和对系统进行修改，必须要有管理员的授权和认可，并实施最小化授权策略，保障交易系统的安全性;为了更好地保护人工智能交易，每隔一段时间还需要通过不可删除的用户操作日志对所有的用户操作和行为进行审计，这样可以发现非法访问和修改的行为，同时能够阻止任何潜在的非法企图，最大限度地保护人工智能交易系统的数据安全和资金安全。
3.3人工智能交易系统的风险和应对
霍金认为发明人工智能是人类历史上最好的事情，也可能是最坏的事情。人工智能的关键技术人工神经网络几乎可以模拟任意函数，在不知道未知变量之间依赖关系的情况下抓取变量之间的非线性关系得到一个近似函数。但是计算机神经网络的处理过程是一个黑箱，难以对计算结果进行解释和判断，有可能得到一个出乎意料的结果;另外神经网络往往针对某一种具体环境条件进行优化和适应，一旦环境条件发生大的变化，以往的算法就容易失效，因此人工智能并非完全可靠。人工智能系统如果达到一定的智能，有可能偏离人类管理者对于系统的目标和期望，由于人工智能交易系统超高速的交易能力，一旦掌握巨量资金的多个人工智能实体，为了追求最大收益進行零和博弈，可能出现交易规模越来越大，交易速度越来越快的现象，引起证券市场剧烈震荡，甚至可能导致交易市场崩溃。任何人工智能系统都不可能是完美的，必然存在其失效的情况和条件;因此为了防止人工智能交易系统的失效可能，必须在极端情况下能够允许人类管理员接管并获得系统控制权，也就是说要保证人类管理者有能力和责任在人工智能交易系统出错时关闭系统并接管系统。
4结论与建议
本文回顾了人工智能技术的发展现状和应用情况，分析了适应性市场假说理论解释强化学习智能体对证券市场价格变化的预测原理，得出了神经网络和强化学习在证券市场价格预测领域比以往的传统方法有明显优势的结论，提出可以通过3A安全性标准来保障人工智能交易系统的安全性，同时提出了为避免灾难当系统失效时允许人工接管的应对方法。
人工智能技术在证券投资中将会有更广泛和深入的应用，目前的技术仍然还有很大的提升空间，未来需要对神经网络的模型算法作持续的改进以提高强化学习在证券价格方面的预测能力，同时必须注重增强人工智能交易系统的安全性和风险控制能力。
参考文献：
[1]薛永红，王洪鹏.机器下棋的历史与启示——从“深蓝”到AlphaZero[J].科技导报，2019，577（19）：89-98.
[2]AbeM，NakayamaH.DeepLearningforForecastingStockReturnsintheCross-Section[C]//Papers.arXiv.org，2018：273-284.
[3]刘全，翟建伟，章宗长，等.深度强化学习综述简[J].计算机学报，2018（01）：1-27.
[4]梁天新，杨小平，王良，等.基于强化学习的金融交易系统研究与发展[J].软件学报，2019，30（03）：845-864.
猜你喜欢证券投资神经网络人工智能基于人工智能LSTM循环神经网络的学习成绩预测中国教育信息化·高教职教(2022年4期)2022-05-13基于图像处理与卷积神经网络的零件识别计算技术与自动化(2022年1期)2022-04-15基于自适应神经网络的电网稳定性预测华东师范大学学报（自然科学版）(2019年5期)2019-11-112019：人工智能商界(2019年12期)2019-01-03人工智能与就业IT经理世界(2018年20期)2018-10-24三次样条和二次删除相辅助的WASD神经网络与日本人口预测软件(2017年6期)2017-09-23数读人工智能小康(2017年16期)2017-06-07基于《证券投资实务》课程的项目导向教学改革思考现代商贸工业(2016年22期)2016-12-27证券投资中的信任及影响因素研究分析时代金融(2016年27期)2016-11-25财务分析在证券投资中的应用商(2016年30期)2016-11-09科海故事博览·上旬刊2021年9期
科海故事博览·上旬刊的其它文章新型建筑节能耐候性检测技术的应用地理信息系统应用现状及发展趋势大数据人工智能对预警探测领域的影响分析浅谈数字化、智能化对陶瓷产品设计研发的重要性循环经济下城市生活垃圾智能化分类技术及实施策略电气工程及自动化技术的应用及发展探析